論文の概要: CTRL: Control-Based Time Series Forecasting with LLM-Guided Residual Learning

• arxiv url: http://arxiv.org/abs/2609.23257v1
• Date: Sun, 20 Sep 2026 00:10:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.739696
• Title: CTRL: Control-Based Time Series Forecasting with LLM-Guided Residual Learning
• Title（参考訳）: CTRL:LCM誘導残差学習による制御系時系列予測
• Abstract要約: 定量的な予測から意味論的推論を分離する枠組みを導入する。 凍結したバックボーンはベース予測を生成し、特殊なLDMエージェントはコントローラとして機能する。 LLMは、非定常時間ダイナミクスと分散シフトの下で改善するように明示的に設計されている。
• 参考スコア（独自算出の注目度）: 7.5619012164736334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting underpins critical decision-making across diverse domains. While large language models (LLMs) offer promising reasoning capabilities, existing LLM-based time series forecasting approaches either reduce them to numerical predictors that bypass their strengths, or allow direct forecast generation that destabilizes predictions in non-stationary settings. We introduce CTRL, a framework that decouples semantic reasoning from quantitative prediction. A frozen backbone generates base forecasts, while specialized LLM agents function as controllers that analyze backbone prediction errors through decomposed trend, seasonal, and irregular components, grounding reasoning in interpretable temporal structure. Each agent outputs compact control signals that a lightweight residual decoder translates into forecast corrections. CTRL incorporates label-free test-time adaptation that detects distribution shift from input statistics alone and readapts control signals with only 3-24 LLM calls via caching. CTRL is explicitly designed to improve robustness under non-stationary temporal dynamics and distribution shift, while remaining competitive on highly stationary time series where adaptive correction provides limited additional benefit.
• Abstract（参考訳）: 時系列予測は、さまざまな領域における重要な意思決定の基盤となっている。 大規模言語モデル(LLM)は有望な推論能力を提供するが、既存のLCMベースの時系列予測アプローチは、その強みをバイパスする数値予測器に還元するか、非定常的な設定で予測を不安定にする直接予測生成を可能にする。 定量的予測から意味論的推論を分離するフレームワークであるCTRLを紹介する。 凍結したバックボーンはベース予測を生成し、特殊なLDMエージェントは、分解された傾向、季節的、不規則なコンポーネントを通じてバックボーン予測エラーを分析し、解釈可能な時間構造における基底推論を行うコントローラとして機能する。 各エージェントは、軽量残留復号器が予測補正に変換するようなコンパクトな制御信号を出力する。 CTRLにはラベルのないテスト時間適応が組み込まれており、入力統計だけで分布シフトを検出し、キャッシュ経由でわずか3,24 LLMコールで制御信号を読み取る。 CTRLは、適応補正が限られた追加の利益をもたらす高度に定常な時系列において競争力を維持しながら、非定常時間力学と分布シフトの下で堅牢性を改善するように設計されている。

関連論文リスト

• PRICE: A Systematic Study of LLM Adaptation Choices for Bitcoin Price Forecasting [0.40105987447353786]
  本研究は,短期的なBitcoin価格予測に大規模言語モデルを適用するための構造化アプローチであるPRICEを紹介する。 PRICEは4ビット量子化LLaMA-3 8Bモデルに基づいており、微調整、数値表現、プロンプト、推論、復号化がパフォーマンスにどのように影響するかを調査している。 プライスは、評価期間にわたって堅牢なパフォーマンスを維持しながら、検証セットとテストセットの両方で最も低い予測エラーを達成する。
  論文  参考訳（メタデータ） (2026-09-04T15:01:38Z)
• TA-SparseMG: Trend-Aware Sparse Forecasting via Multi-Scale Gating for Long-Term Time Series [6.394123470044826]
  本研究では,SparseTSFのスパース・クロスタイム・モデリング・フレームワーク上に構築された,軽量なクロス周期予測モデルTA-SparseMGを提案する。 トレンド対応の正規化モジュール、スケール適応型denoisingモジュール、ゲートアテンション予測モジュールの3つの重要なモジュールが組み込まれている。 複数のLTSFベンチマークによる実験により、提案したTA-SparseMGは、常に優れた安定した性能を達成できることを示した。
  論文  参考訳（メタデータ） (2026-06-26T09:57:36Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring [1.7149326108409726]
  時系列監視のためのポストホック適応型共形異常検出法を提案する。 本手法は,誤報率(p値)として直接解釈可能な,解釈可能な異常スコアを生成する。 モデルに依存しないソリューションとして、ファンデーションモデルとシームレスに統合し、リソース制約のある環境での迅速なデプロイをサポートする。
  論文  参考訳（メタデータ） (2026-04-22T02:39:46Z)
• T-LLM: Teaching Large Language Models to Forecast Time Series via Temporal Distillation [7.6933817667680096]
  時系列予測は多くの現実世界のアプリケーションにおいて意思決定において重要な役割を果たす。 本稿では,汎用言語モデルと時系列予測機能を組み合わせた時空間蒸留フレームワークT-LLMを提案する。
  論文  参考訳（メタデータ） (2026-02-02T10:40:27Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• TimeXL: Explainable Multi-modal Time Series Prediction with LLM-in-the-Loop [79.5773512667468]
  TimeXLは、プロトタイプベースの時系列エンコーダと3つの協調する大規模言語モデルを統合するマルチモーダル予測フレームワークである。 リフレクションLLMは、予測された値と地上の真実を比較し、テキストの不整合やノイズを識別する。 このクローズドループワークフロー予測、批判(参照)、改善が連続的にフレームワークのパフォーマンスと解釈可能性を高めます。
  論文  参考訳（メタデータ） (2025-03-02T20:40:53Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。